基于语义特征的视觉关注点检测

摘要

当人类看到任意大小复杂的图像的时，有着一种能够快速识别图像中显著区域的能力，也正是因为这种能力，人类可以快速从一幅具有的大量信息图片中筛选出自己所需要的信息。于是为了能够让机器人也能够的模拟人的这种视觉机制，从而可以让计算机也能拥有着同人类相似的筛选信息的能力，人眼视觉关注点检测逐渐成为一个热门的研究领域。而所谓人眼关注点检测就是让计算机或者是机器人来模拟人的视觉关注系统，从而能够让计算机或者机器人选择出一幅图片中人眼所关注的区域，从而最终得到一幅关注点显著图，显著图中的像素值的大小表明是否属于人眼关注点的大小概率，从而用于进一步的图像特征，如目标识别，人工智能等方面。
　　基于此，本文循序渐进的提出了三种人眼关注点检测的模型，分别从传统方法和深度神经网络的角度来深入探究如何利用图像中的各个等级的特征来指导模型对于图像进行人眼关注点检测。首先，在本文所提出的第一种的传统的方法中，先采用了图像中的低层特征对图像进行初步的关注点检测，从而大致预测出图片中的人眼所关注的区域，然后再对图像进行语义分割实现对于图像中语义特征的提取。最后，再利用支持向量机对所提出的特征进行图像融合和模型的训练，从而获得可以对图像进行人眼关注点预测的传统模型；第二种和第三种模型则是建立在深度神经网络的基础上的模型，这两种模型均利用了深度神经网络中的卷积层可以自动的从图像中由低到高的提出图像中的各等级的特征的特性来进行人眼关注点检测模型的建立。除此之外，本文所提出的基于全卷积网络的关注点检测模型在网络训练完成之后，还将得到输出的结果进行阈值化处理，除去图片中的噪声，然后把网络输出的结果图和方法一中的关注点的初步检测图通过支持向量机进行图片的融合从而得到最终的模型。最后本文提出的第三种模型则是基于循环全卷积网络的循环思想建立起来的人眼关注点的检测模型。在模型的建立过程中通过分析全卷积网络中各个卷积层所提出特征的等级的不同和这些特征在人眼关注点模型所起到的作用的不同，对全卷积网络的网络结构进行了改进，从而得到一个新的循环全卷积网络.
　　在实验部分，本文将提出的三种模型在现在公认的一个标准的人眼关注点的数据集上进行了测试，并分别从传统方法和深度神经网络方法两个方面与现存的多种人眼关注点检测的算法进行了比较。通过实验结果的各个评价指标的对比证实了本文提出的三种算法表现出了较优的性能，本文算法达到了人眼关注点检测的比较顶尖水平。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 研究现状及发展前景

1.2.1 传统模型

1.2.2 深度学习模型

1.3 全文章节安排

2 相关研究及本文工作

2.1 支持向量机

2.2 深度学习算法

2.2.1 卷积神经网络

2.2.2 全卷积网络

2.2.3 循环全卷积网络

2.3 本文工作及主要贡献

3 传统方法和深度学习框架的的关注点检测模型

3.1 基于支持向量机的关注点模型

3.1.1 全卷积网络的图像语义分割模块

3.1.2 低层集合特征的关注点初步检测

3.1.3 传统人眼关注点检测模型

3.2 基于全卷积网络的人眼关注点模型

3.2.1 模型建立

3.2.2 训练与推断

3.3 基于循环全卷积网络的人眼关注点检测模型

3.3.1 循环全卷积网络

3.3.2 训练与推断

4 实验结果与分析

4.1 数据库介绍

4.2 实验细节说明

4.2.1 评价指标

4.2.2 细节说明

4.3 三种模型中子模块性能分析

4.4 与经典算法的比较

4.5算法的局限性

结论

参考文献

致谢